KI-MUSIK4.0 Mikroelektronik-basierte universelle Sensor-Schnittstelle mit Künstlicher Intelligenz für Industrie 4.0

Abstract

Im Rahmen des Förderprojekts wurden KI-basierte Methoden erforscht, die sich energiesparend und effizient, v.a. aber dezentral auf Mikrocontrollern bzw. ASICs ausführen lassen, um den Zustand pneumatischer Antriebe im Anlagenumfeld zu beurteilen. Ein wesentliches Ziel des Projekts ist es, die Leckage pneumatischer Antriebe, die durch Schädigungen an der Kolbenstangendichtung auftreten kann, durch eine hochfrequente Abtastung (200 kHz) des Luftschalls komponentennah aufzunehmen, zu verarbeiten und entsprechend zu interpretieren. Hierdurch können Produktionsprozesse vorausschauend beurteilt werden und die Stabilität aufrechterhalten werden. Zur Erreichung der Ziele wurde zunächst ein breiter Datenpool für das Training des maschinellen Lernens generiert. Hierzu wurden mangels vorliegender defekter Komponenten, die Kolbenstangendichtungen pneumatischer Antriebe gezielt manipuliert, um ein breites und repräsentatives Feld an Daten für das Training des maschinellen Lernens bereitzustellen. Durch das Feature-Engineering sowie Parametervariationen wurden Modelle Maschinellen Lernens neben Ihrer Vorhersagegenauigkeit auch hinsichtlich ihrer Größe und Portierbarkeit auf einen Mikrocontroller optimiert. Der final entstandene Demonstrator erfüllt in Form einer kompakten Sensor-Einheit die gestellten Anforderungen an Nachrüstbarkeit, Recheneffizienz und Kommunikation. Durch das implementierte Modell konnte gezeigt werden, dass Leckagen an pneumatischen Antrieben hochfrequent gemessen und beurteilt werden können. Die Daten können durch einen integrierten OPC UA-Server im dezentral agierenden kompakten Sensor-System im Sinne von Industrie 4.0 an angebundene Steuerungen, EDGE-Rechner aber auch an übergeordnete Systeme übermittelt werden. Datei-Upload durch TIB

As part of the funded project, AI-based methods were researched that can be executed in an energy-saving and efficient, but above all decentralized manner on microcontrollers or ASICs in order to assess the condition of pneumatic drives in the automation environment. A key aim of the project is to record, process and interpret the leakage of pneumatic drives, which can occur due to damage to the piston rod seal, by means of high-frequency sampling (200 kHz) of the airborne sound close to the component. This allows production processes to be assessed in advance and stability to be maintained. To achieve the objectives, a broad data pool was first generated for training machine learning. In the absence of defective components, the piston rod seals of pneumatic drives were specifically manipulated in order to provide a broad and representative field of data for machine learning training. Through feature engineering and parameter variations, machine learning models were optimized in terms of their size and portability to a microcontroller in addition to their prediction accuracy. The final demonstrator, in the form of a compact sensor unit, meets the requirements for retrofittability, computing efficiency and communication. The implemented model was able to show that leakages on pneumatic drives can be measured and assessed at high frequency. The data can be transmitted to connected controllers, EDGE computers and also to higher-level systems via an integrated OPC UA server in the decentralized compact sensor system in line with Industry 4.0.